Optimización multi-objetivo (también conocida como la programación multi-objetivo , la optimización de vectores , la optimización multicriterio , optimización multiatributo o la optimización de Pareto ) es un área de toma de decisiones criterios múltiples que se ocupa de los problemas de optimización matemática que implica más de una función objetivo a optimizar simultáneamente . La optimización multiobjetivo se ha aplicado en muchos campos de la ciencia, incluida la ingeniería, la economía y la logística, donde se deben tomar decisiones óptimas en presencia de compensaciones.entre dos o más objetivos en conflicto. Minimizar los costos mientras se maximiza la comodidad al comprar un automóvil y maximizar el rendimiento mientras se minimiza el consumo de combustible y la emisión de contaminantes de un vehículo son ejemplos de problemas de optimización multiobjetivo que involucran dos y tres objetivos, respectivamente. En problemas prácticos, puede haber más de tres objetivos.
Para un problema de optimización multiobjetivo no trivial , no existe una solución única que optimice simultáneamente cada objetivo. En ese caso, se dice que las funciones objetivas están en conflicto y existe un número (posiblemente infinito) de soluciones óptimas de Pareto. Una solución se denomina no dominada , óptima de Pareto, eficiente de Pareto o no inferior, si ninguna de las funciones objetivo puede mejorarse en valor sin degradar algunos de los otros valores objetivos. Sin información adicional de preferencias subjetivas , todas las soluciones óptimas de Pareto se consideran igualmente buenas. Los investigadores estudian los problemas de optimización multiobjetivo desde diferentes puntos de vista y, por tanto, existen distintas filosofías de solución y metas a la hora de plantearlos y resolverlos. El objetivo puede ser encontrar un conjunto representativo de soluciones óptimas de Pareto y / o cuantificar las compensaciones para satisfacer los diferentes objetivos y / o encontrar una única solución que satisfaga las preferencias subjetivas de un tomador de decisiones (DM) humano.
Introducción
Un problema de optimización multiobjetivo es un problema de optimización que involucra múltiples funciones objetivo. [1] [2] [3] En términos matemáticos, un problema de optimización multiobjetivo se puede formular como
donde el entero es el número de objetivos y el conjunto es el conjunto factible de vectores de decisión, que normalmente es pero depende de la -Dominio de aplicación dimensional. El conjunto factible generalmente se define mediante algunas funciones de restricción. Además, la función objetivo con valores vectoriales se define a menudo como
- . Si alguna función objetivo debe maximizarse, es equivalente a minimizar su negativa. La imagen de se denota por
Un elemento se llama solución factible o decisión factible . Un vector para una solución factible se llama vector objetivo o resultado . En la optimización multiobjetivo, normalmente no existe una solución factible que minimice todas las funciones objetivo simultáneamente. Por lo tanto, se presta atención a las soluciones óptimas de Pareto ; es decir, soluciones que no se pueden mejorar en ninguno de los objetivos sin degradar al menos uno de los otros objetivos. En términos matemáticos, una solución factiblese dice que (Pareto) domina otra solución, Si
- , para todos los índices , y
- , para al menos un índice .
Una solución (y el resultado correspondiente ) se llama óptimo de Pareto, si no existe otra solución que lo domine. El conjunto de resultados óptimos de Pareto a menudo se denomina frente de Pareto, frontera de Pareto o límite de Pareto.
El frente de Pareto de un problema de optimización multiobjetivo está delimitado por el llamado vector objetivo nadir y un vector objetivo ideal , si estos son finitos. El vector objetivo nadir se define como
y el vector objetivo ideal como
En otras palabras, los componentes de un nadir y un vector objetivo ideal definen los límites superior e inferior para los valores de la función objetivo de las soluciones óptimas de Pareto, respectivamente. En la práctica, el vector objetivo nadir solo puede aproximarse ya que, típicamente, se desconoce todo el conjunto óptimo de Pareto. Además, un vector objetivo utópico con
dónde es una pequeña constante, a menudo se define por razones numéricas.
Ejemplos de aplicaciones
Ciencias económicas
En economía , muchos problemas involucran múltiples objetivos junto con restricciones sobre qué combinaciones de esos objetivos son alcanzables. Por ejemplo, la demanda del consumidor de varios bienes está determinada por el proceso de maximización de las utilidades derivadas de esos bienes, sujeto a una restricción basada en la cantidad de ingresos disponibles para gastar en esos bienes y en los precios de esos bienes. Esta restricción permite que se compre más de un bien sólo con el sacrificio de consumir menos de otro bien; por lo tanto, los diversos objetivos (se prefiere un mayor consumo de cada bien) están en conflicto entre sí. Un método común para analizar un problema de este tipo es utilizar un gráfico de curvas de indiferencia , que representan preferencias, y una restricción presupuestaria, que representa las compensaciones a las que se enfrenta el consumidor.
Otro ejemplo tiene que ver con la frontera de posibilidades de producción , que especifica qué combinaciones de diversos tipos de bienes puede producir una sociedad con determinadas cantidades de diversos recursos. La frontera especifica las compensaciones a las que se enfrenta la sociedad: si la sociedad está utilizando plenamente sus recursos, se puede producir más de un bien solo a expensas de producir menos de otro bien. Entonces, una sociedad debe utilizar algún proceso para elegir entre las posibilidades en la frontera.
La formulación de políticas macroeconómicas es un contexto que requiere una optimización multiobjetivo. Por lo general, un banco central debe elegir una postura de política monetaria que equilibre los objetivos en competencia: baja inflación , bajo desempleo , bajo déficit en la balanza comercial , etc. Para hacer esto, el banco central utiliza un modelo de la economía que describe cuantitativamente los diversos vínculos causales en la economía; que simula el modelo en varias ocasiones en diversas posiciones posibles de la política monetaria, con el fin de obtener un menú de posibles resultados previstos para las diferentes variables de interés. Entonces, en principio, puede usar una función objetivo agregada para calificar los conjuntos alternativos de resultados previstos, aunque en la práctica los bancos centrales usan un proceso no cuantitativo, basado en juicios, para clasificar las alternativas y tomar la decisión de política.
Finanzas
En finanzas , un problema común es elegir una cartera cuando hay dos objetivos en conflicto: el deseo de que el valor esperado de los rendimientos de la cartera sea lo más alto posible y el deseo de tener riesgo , a menudo medido por la desviación estándar de los rendimientos de la cartera. , sea lo más bajo posible. Este problema a menudo se representa mediante un gráfico en el que la frontera eficiente muestra las mejores combinaciones de riesgo y rendimiento esperado que están disponibles, y en el que las curvas de indiferencia muestran las preferencias del inversor por varias combinaciones de riesgo-rendimiento esperado. El problema de optimizar una función del valor esperado (primer momento ) y la desviación estándar (raíz cuadrada del segundo momento central) del rendimiento de la cartera se denomina modelo de decisión de dos momentos .
Control optimo
En ingeniería y economía , muchos problemas involucran múltiples objetivos que no pueden describirse como cuanto más, mejor o menos, mejor; en cambio, existe un valor objetivo ideal para cada objetivo, y el deseo es acercarse lo más posible al valor deseado de cada objetivo. Por ejemplo, los sistemas de energía suelen tener un equilibrio entre rendimiento y costo [4] [5] o uno podría querer ajustar el uso y la orientación de combustible de un cohete para que llegue tanto a un lugar específico como en un momento específico; o se podría querer realizar operaciones de mercado abierto para que tanto la tasa de inflación como la tasa de desempleo estén lo más cerca posible de sus valores deseados.
A menudo, estos problemas están sujetos a restricciones de igualdad lineal que impiden que todos los objetivos se cumplan de manera perfecta y simultánea, especialmente cuando el número de variables controlables es menor que el número de objetivos y cuando la presencia de choques aleatorios genera incertidumbre. Comúnmente se usa una función de objetivo cuadrático de múltiples objetivos , con el costo asociado con un objetivo aumentando cuadráticamente con la distancia del objetivo de su valor ideal. Dado que estos problemas implican típicamente ajustar las variables controladas en varios puntos en el tiempo y / o evaluar los objetivos en varios puntos en el tiempo, se emplean técnicas de optimización intertemporal . [6]
Diseño optimo
El diseño de productos y procesos se puede mejorar en gran medida utilizando técnicas modernas de modelado, simulación y optimización. [ cita requerida ] La pregunta clave en un diseño óptimo es la medida de lo que es bueno o deseable acerca de un diseño. Antes de buscar diseños óptimos, es importante identificar las características que más contribuyen al valor general del diseño. Un buen diseño generalmente involucra múltiples criterios / objetivos tales como costo de capital / inversión, costo operativo, beneficio, calidad y / o recuperación del producto, eficiencia, seguridad del proceso, tiempo de operación, etc. Por lo tanto, en aplicaciones prácticas, el desempeño del proceso y El diseño del producto a menudo se mide con respecto a múltiples objetivos. Por lo general, estos objetivos son contradictorios, es decir, lograr el valor óptimo para un objetivo requiere algún compromiso con uno o más de otros objetivos.
Por ejemplo, al diseñar una fábrica de papel, se puede buscar disminuir la cantidad de capital invertido en una fábrica de papel y mejorar la calidad del papel simultáneamente. Si el diseño de una fábrica de papel se define por grandes volúmenes de almacenamiento y la calidad del papel se define por parámetros de calidad, entonces el problema del diseño óptimo de una fábrica de papel puede incluir objetivos tales como: i) minimizar la variación esperada de esos parámetros de calidad de su valores nominales, ii) minimización del tiempo esperado de pausas y iii) minimización del costo de inversión de los volúmenes de almacenamiento. Aquí, el volumen máximo de torres son variables de diseño. Este ejemplo de diseño óptimo de una fábrica de papel es una simplificación del modelo utilizado en. [7] La optimización del diseño multiobjetivo también se ha implementado en sistemas de ingeniería en circunstancias como la optimización del diseño del gabinete de control, [8] la optimización de la forma del perfil aerodinámico flujos de trabajo, [9] diseño de semiconductores nano- CMOS , [10] diseño de sistemas en chips , diseño de sistemas de riego con energía solar, [11] optimización de sistemas de moldes de arena, [12] [13] diseño de motores, [14] [ 15] despliegue óptimo del sensor [16] y diseño óptimo del controlador. [17] [18]
Optimización de procesos
La optimización multiobjetivo se ha empleado cada vez más en la ingeniería química y la fabricación . En 2009, Fiandaca y Fraga utilizaron el algoritmo genético multiobjetivo (MOGA) para optimizar el proceso de adsorción por oscilación de presión (proceso de separación cíclica). El problema de diseño implicó la maximización dual de la recuperación de nitrógeno y la pureza del nitrógeno. Los resultados proporcionaron una buena aproximación de la frontera de Pareto con compensaciones aceptables entre los objetivos. [19]
En 2010, Sendín et al. resolvió un problema multiobjetivo para el procesamiento térmico de alimentos. Abordaron dos estudios de caso (problemas biobjetivo y triple objetivo) con modelos dinámicos no lineales y utilizaron un enfoque híbrido que consiste en el enfoque ponderado de Tchebycheff y el enfoque de intersección de límites normales. El nuevo enfoque híbrido fue capaz de construir un conjunto óptimo de Pareto para el procesamiento térmico de alimentos. [20]
En 2013, Ganesan et al. llevó a cabo la optimización multiobjetivo del reformado combinado de dióxido de carbono y la oxidación parcial del metano. Las funciones objetivo fueron la conversión de metano, la selectividad del monóxido de carbono y la relación de hidrógeno a monóxido de carbono. Ganesan utilizó el método de intersección de límites normales (NBI) junto con dos técnicas basadas en enjambres (algoritmo de búsqueda gravitacional (GSA) y optimización de enjambres de partículas (PSO)) para abordar el problema. [21] Las aplicaciones que implican la extracción química [22] y los procesos de producción de bioetanol [23] han planteado problemas multiobjetivos similares.
En 2013, Abakarov et al propusieron una técnica alternativa para resolver problemas de optimización multiobjetivo que surgen en la ingeniería alimentaria. [24] El enfoque de funciones de agregación, el algoritmo de búsqueda aleatoria adaptativa y el enfoque de funciones de penalización se utilizaron para calcular el conjunto inicial de las soluciones no dominadas o óptimas de Pareto. El proceso de jerarquía analítica y el método tabular se utilizaron simultáneamente para elegir la mejor alternativa entre el subconjunto calculado de soluciones no dominadas para los procesos de deshidratación osmótica. [25]
En 2018, Pearce et al. formuló la asignación de tareas a trabajadores humanos y robóticos como un problema de optimización multiobjetivo, considerando el tiempo de producción y el impacto ergonómico en el trabajador humano como los dos objetivos considerados en la formulación. Su enfoque utilizó un programa lineal de enteros mixtos para resolver el problema de optimización para una suma ponderada de los dos objetivos para calcular un conjunto de soluciones óptimas de Pareto . La aplicación del enfoque a varias tareas de fabricación mostró mejoras en al menos un objetivo en la mayoría de las tareas y en ambos objetivos en algunos de los procesos. [26]
Gestión de recursos de radio
El propósito de la gestión de recursos de radio es satisfacer las velocidades de datos que solicitan los usuarios de una red celular. [27] Los principales recursos son los intervalos de tiempo, los bloques de frecuencia y las potencias de transmisión. Cada usuario tiene su propia función objetivo que, por ejemplo, puede representar alguna combinación de velocidad de datos, latencia y eficiencia energética. Estos objetivos son contradictorios ya que los recursos de frecuencia son muy escasos, por lo que existe la necesidad de una reutilización de frecuencias espacial estricta que causa una inmensa interferencia entre usuarios si no se controla adecuadamente. Las técnicas MIMO multiusuario se utilizan hoy en día para reducir la interferencia mediante la precodificación adaptativa . Al operador de red le gustaría brindar una gran cobertura y altas velocidades de datos, por lo que el operador le gustaría encontrar una solución óptima de Pareto que equilibre el rendimiento total de datos de la red y la equidad del usuario de una manera subjetiva adecuada.
La gestión de recursos de radio a menudo se resuelve mediante la escalarización; es decir, la selección de una función de utilidad de red que intenta equilibrar el rendimiento y la equidad del usuario. La elección de la función de utilidad tiene un gran impacto en la complejidad computacional del problema de optimización de objetivo único resultante. [27] Por ejemplo, la utilidad común de la tasa de suma ponderada da un problema NP-difícil con una complejidad que escala exponencialmente con el número de usuarios, mientras que la utilidad de equidad máxima-mínima ponderada da como resultado un problema de optimización cuasi-convexo con solo un escala polinomial con el número de usuarios. [28]
Sistemas de energía eléctrica
La reconfiguración, mediante el intercambio de enlaces funcionales entre los elementos del sistema, representa una de las medidas más importantes que pueden mejorar el rendimiento operativo de un sistema de distribución. El problema de la optimización mediante la reconfiguración de un sistema de distribución de energía, en términos de su definición, es un problema histórico único objetivo con restricciones. Desde 1975, cuando Merlin y Back [29] introdujeron la idea de la reconfiguración del sistema de distribución para la reducción activa de la pérdida de potencia, hasta la actualidad, muchos investigadores han propuesto diversos métodos y algoritmos para resolver el problema de reconfiguración como un problema de objetivo único. Algunos autores han propuesto enfoques basados en la optimización de Pareto (incluidas las pérdidas de potencia activa y los índices de fiabilidad como objetivos). Para ello, se han utilizado diferentes métodos basados en inteligencia artificial: microgenético, [30] intercambio de ramas, [31] optimización de enjambre de partículas [32] y algoritmo genético de clasificación no dominado. [33]
Inspección de infraestructura
La inspección autónoma de la infraestructura tiene el potencial de reducir costos, riesgos e impactos ambientales, además de garantizar un mejor mantenimiento periódico de los activos inspeccionados. Por lo general, la planificación de tales misiones se ha visto como un problema de optimización de un solo objetivo, donde uno apunta a minimizar la energía o el tiempo invertido en inspeccionar una estructura objetivo completa. [34] Sin embargo, para estructuras complejas del mundo real, cubrir el 100% de un objetivo de inspección no es factible, y la generación de un plan de inspección puede verse mejor como un problema de optimización multiobjetivo, donde uno apunta tanto a maximizar la cobertura de inspección como a minimizar el tiempo. y costos. Un estudio reciente ha indicado que la planificación de la inspección multiobjetivo tiene el potencial de superar a los métodos tradicionales en estructuras complejas [35].
Solución
Como normalmente existen múltiples soluciones óptimas de Pareto para problemas de optimización multiobjetivo, lo que significa resolver un problema de este tipo no es tan sencillo como lo es para un problema de optimización de objetivo único convencional. Por ello, diferentes investigadores han definido el término "resolución de un problema de optimización multiobjetivo" de diversas formas. Esta sección resume algunos de ellos y los contextos en los que se utilizan. Muchos métodos convierten el problema original con múltiples objetivos en un problema de optimización de un solo objetivo . A esto se le llama problema escalarizado. Si se puede garantizar la optimización de Pareto de las soluciones de un solo objetivo obtenidas, la escalarización se caracteriza como realizada de manera ordenada.
La resolución de un problema de optimización multiobjetivo a veces se entiende como la aproximación o el cálculo de todas o un conjunto representativo de soluciones óptimas de Pareto. [36] [37]
Cuando se enfatiza la toma de decisiones , el objetivo de resolver un problema de optimización multiobjetivo se refiere a ayudar al tomador de decisiones a encontrar la solución óptima de Pareto más preferida de acuerdo con sus preferencias subjetivas. [1] [38] La suposición subyacente es que se debe identificar una solución al problema para ser implementada en la práctica. Aquí, un tomador de decisiones (DM) humano juega un papel importante. Se espera que el DM sea un experto en el dominio del problema.
Los resultados más preferidos se pueden encontrar utilizando diferentes filosofías. Los métodos de optimización multiobjetivo se pueden dividir en cuatro clases. [2] En los llamados métodos sin preferencia, no se espera que haya DM disponible, pero se identifica una solución de compromiso neutral sin información de preferencia. [1] Las otras clases son métodos llamados a priori, a posteriori e interactivos y todos involucran información de preferencias del DM de diferentes maneras.
En los métodos a priori, primero se solicita al DM información sobre preferencias y luego se encuentra una solución que satisfaga mejor estas preferencias. En los métodos a posteriori, primero se encuentra un conjunto representativo de soluciones óptimas de Pareto y luego el DM debe elegir una de ellas. En los métodos interactivos, el tomador de decisiones puede buscar iterativamente la solución más preferida. En cada iteración del método interactivo, el DM se muestra la (s) solución (es) óptima (es) de Pareto y describe cómo la (s) solución (es) podrían mejorarse. La información proporcionada por el tomador de decisiones se toma en cuenta mientras se generan nuevas soluciones óptimas de Pareto para que el DM las estudie en la siguiente iteración. De esta forma, el DM aprende sobre la viabilidad de sus deseos y puede concentrarse en las soluciones que le interesan. El DM puede detener la búsqueda cuando quiera. En las siguientes secciones se ofrecen más información y ejemplos de diferentes métodos en las cuatro clases.
Escalarizar
Escalarizar un problema de optimización multiobjetivo es un método a priori, lo que significa formular un problema de optimización de un solo objetivo de modo que las soluciones óptimas para el problema de optimización de un solo objetivo sean soluciones óptimas de Pareto para el problema de optimización de múltiples objetivos. [2] Además, a menudo se requiere que cada solución óptima de Pareto pueda alcanzarse con algunos parámetros de la escalarización. [2] Con diferentes parámetros para la escalarización, se producen diferentes soluciones óptimas de Pareto. Por tanto, una formulación general para la escalarización de una optimización multiobjetivo es
dónde es un parámetro vectorial, el conjunto es un conjunto en función del parámetro y es una función.
Ejemplos muy conocidos son los llamados
- escalarización lineal
- donde los pesos de los objetivos son los parámetros de la escalarización, y la
- -método de restricción (ver, por ejemplo, [1] )
- donde los límites superiores son parámetros como arriba y es el objetivo a minimizar.
Ejemplos algo más avanzados son:
- problemas de escalarización de logros de Wierzbicki . [39] Un ejemplo de los problemas de escalarización de logros se puede formular como
- donde el término se llama término de aumento, es una pequeña constante, y y son los vectores nadir y utópico , respectivamente. En el problema anterior, el parámetro es el llamado punto de referencia. que representa los valores de la función objetivo preferidos por el tomador de decisiones.
- Programación multiobjetivo de Sen [40]
- dónde es el óptimo individual (absoluto) para los objetivos de maximización y minimización a .
Por ejemplo, la optimización de la cartera a menudo se realiza en términos de análisis de varianza media . En este contexto, el conjunto eficiente es un subconjunto de las carteras parametrizadas por la rentabilidad media de la cartera. en el problema de elegir acciones de cartera para minimizar la varianza de rendimiento de la cartera sujeto a un valor dado de ; consulte el teorema de separación de fondos mutuos para obtener más detalles. Alternativamente, el conjunto eficiente se puede especificar eligiendo las acciones de la cartera para maximizar la función; el conjunto de carteras eficientes consta de las soluciones ya que b varía de cero a infinito.
Métodos sin preferencia
Cuando un tomador de decisiones no articula explícitamente ninguna información de preferencia, el método de optimización multiobjetivo puede clasificarse como método sin preferencia. [2] Un ejemplo bien conocido es el método del criterio global, [41] en el que un problema escalarizado de la forma
está resuelto. En el problema anterior, puede ser cualquiera L pag {\ Displaystyle L_ {p}} norma , con opciones comunes que incluyen, y . [1] El método de criterio global es sensible a la escala de las funciones objetivo, por lo que se recomienda que los objetivos se normalicen en una escala uniforme y adimensional. [1] [38]
Métodos a priori
Los métodos a priori requieren que se exprese suficiente información de preferencia antes del proceso de solución. [2] ejemplos conocidos-Well de métodos a priori incluyen el método de función de utilidad , lexicográfico método, y la programación de metas .
En el método de la función de utilidad, se supone que está disponible la función de utilidad del tomador de decisiones . Un mapeo es una función de utilidad si para todos si sostiene eso si el tomador de decisiones prefiere a , y si el tomador de decisiones es indiferente entre y . La función de utilidad especifica un orden de los vectores de decisión (recuerde que los vectores se pueden ordenar de muchas formas diferentes). Una vez se obtiene, basta con resolver
pero en la práctica es muy difícil construir una función de utilidad que represente con precisión las preferencias del tomador de decisiones [1] - particularmente porque el frente de Pareto es desconocido antes de que comience la optimización.
El método lexicográfico asume que los objetivos se pueden clasificar en orden de importancia. Podemos suponer, sin pérdida de generalidad, que las funciones objetivo están en el orden de importancia de modo que es el más importante y el menos importante para quien toma las decisiones. El método lexicográfico consiste en resolver una secuencia de problemas de optimización de un solo objetivo de la forma
dónde es el valor óptimo del problema anterior con . Por lo tanto, y cada nuevo problema de la forma en el problema anterior en la secuencia agrega una nueva restricción como viene de a . Tenga en cuenta que aquí no se especifica una meta o un valor objetivo para ningún objetivo, lo que lo hace diferente del método de programación de metas lexicográficas .
Métodos a posteriori
Los métodos a posteriori tienen como objetivo producir todas las soluciones óptimas de Pareto o un subconjunto representativo de las soluciones óptimas de Pareto. La mayoría de los métodos a posteriori se clasifican en una de las dos clases siguientes: métodos a posteriori basados en programación matemática , donde un algoritmo se repite y cada ejecución del algoritmo produce una solución óptima de Pareto, y algoritmos evolutivos donde una ejecución del algoritmo produce una conjunto de soluciones óptimas de Pareto.
Ejemplos bien conocidos de métodos a posteriori basados en programación matemática son la Intersección de Límite Normal (NBI), [42] Intersección de Límite Normal Modificada (NBIm) [43] Restricción Normal (NC), [44] [45] Optimización de Pareto sucesiva ( SPO) [46] y métodos de dominio de búsqueda dirigida (DSD) [47] que resuelven el problema de optimización multiobjetivo mediante la construcción de varias escalarizaciones. La solución para cada escalarización produce una solución óptima de Pareto, ya sea local o globalmente. Las escalarizaciones de los métodos NBI, NBIm, NC y DSD se construyen con el objetivo de obtener puntos de Pareto distribuidos uniformemente que den una buena aproximación distribuida uniformemente del conjunto real de puntos de Pareto.
Los algoritmos evolutivos son enfoques populares para generar soluciones óptimas de Pareto a un problema de optimización multiobjetivo. Actualmente, la mayoría de los algoritmos evolutivos de optimización multiobjetivo (EMO) aplican esquemas de clasificación basados en Pareto. Los algoritmos evolutivos como los dominados para no Clasificación Algoritmo Genético-II (NSGAII) [48] y la Fuerza de Pareto Evolutionary algoritmo 2 (SPE-A-2) [49] se han convertido en los enfoques estándar, aunque algunos esquemas basados en la optimización de enjambre de partículas y simularon recocido [50] son importantes. La principal ventaja de los algoritmos evolutivos, cuando se aplican para resolver problemas de optimización multiobjetivo, es el hecho de que normalmente generan conjuntos de soluciones, lo que permite calcular una aproximación de todo el frente de Pareto. La principal desventaja de los algoritmos evolutivos es su menor velocidad y no se puede garantizar la optimización de Pareto de las soluciones. Solo se sabe que ninguna de las soluciones generadas domina a las demás.
Recientemente se mejoró otro paradigma para la optimización multiobjetivo basado en la novedad utilizando algoritmos evolutivos. [51] Este paradigma busca soluciones novedosas en el espacio objetivo (es decir, búsqueda de novedad [52] en el espacio objetivo) además de la búsqueda de soluciones no dominadas. La búsqueda de novedades es como peldaños que guían la búsqueda a lugares previamente inexplorados. Es especialmente útil para superar sesgos y mesetas, así como para guiar la búsqueda en problemas de optimización de muchos objetivos.
Los métodos a posteriori comúnmente conocidos se enumeran a continuación:
- Método de restricciones ε [53] [54]
- Ramificación de objetivos múltiples [55] [56] [57]
- Intersección de límite normal (NBI) [42]
- Intersección de límite normal modificada (NBIm) [43] Restricción normal (NC), [44] [45]
- Optimización de Pareto sucesiva (SPO) [46]
- Dominio de búsqueda dirigida (DSD) [47]
- NSGA-II [48]
- PGEN (generación de superficie de Pareto para instancias convexas multiobjetivo) [58]
- IOSO (Optimización indirecta sobre la base de la autoorganización )
- SMS-EMOA (algoritmo multiobjetivo evolutivo de selección S-métrica) [59]
- Evolución guiada por aproximación (primer algoritmo para implementar y optimizar directamente el concepto formal de aproximación de la informática teórica) [60]
- Optimización de búsqueda reactiva (utilizando el aprendizaje automático para adaptar estrategias y objetivos), [61] [62] implementado en LIONsolver
- Algoritmo de Benson para múltiples programas objetivos lineales y para múltiples programas objetivos convexos
- Optimización del enjambre de partículas multiobjetivo
- Algoritmo de subpoblación basado en la novedad [51]
Métodos interactivos
En los métodos interactivos para optimizar múltiples problemas objetivos, el proceso de solución es iterativo y el tomador de decisiones interactúa continuamente con el método cuando busca la solución más preferida (ver, por ejemplo, Miettinen 1999, [1] Miettinen 2008 [63] ). En otras palabras, se espera que el tomador de decisiones exprese preferencias en cada iteración para obtener soluciones óptimas de Pareto que sean de interés para el tomador de decisiones y aprender qué tipo de soluciones son alcanzables.
Los siguientes pasos suelen estar presentes en los métodos interactivos de optimización: [63]
- inicializar (por ejemplo, calcular los vectores objetivo nadir ideales y aproximados y mostrarlos al tomador de decisiones)
- generar un punto de partida óptimo de Pareto (utilizando, por ejemplo, algún método o solución sin preferencia dada por el tomador de decisiones)
- solicitar información de preferencia del tomador de decisiones (por ejemplo, niveles de aspiración o número de nuevas soluciones que se generarán)
- generar nuevas soluciones óptimas de Pareto de acuerdo con las preferencias y mostrarlas y posiblemente alguna otra información sobre el problema al tomador de decisiones
- Si se generaron varias soluciones, solicite al tomador de decisiones que seleccione la mejor solución hasta el momento.
- detenerse (si la persona que toma las decisiones lo desea; de lo contrario, vaya al paso 3).
Los niveles de aspiración anteriores se refieren a valores de función objetivo deseables que forman un punto de referencia. En lugar de la convergencia matemática que se utiliza a menudo como criterio de detención en los métodos de optimización matemática , a menudo se enfatiza una convergencia psicológica en los métodos interactivos. En términos generales, un método finaliza cuando el responsable de la toma de decisiones está seguro de haber encontrado la solución más preferida disponible .
Tipos de información de preferencias
Existen diferentes métodos interactivos que involucran diferentes tipos de información de preferencias. Tres de esos tipos pueden identificarse basándose en
- información de compensación,
- puntos de referencia y
- clasificación de funciones objetivas. [63]
Por otro lado, se incluye un cuarto tipo de generación de una pequeña muestra de soluciones: [64] [65] Un ejemplo de método interactivo que utiliza información de compensación es el método de Zionts-Wallenius , [66] donde se muestra al tomador de decisiones varias compensaciones objetivas en cada iteración, y se espera que él diga si le gusta, no le gusta o es indiferente con respecto a cada compensación. En los métodos basados en puntos de referencia (ver, por ejemplo, [67] [68] ), se espera que el tomador de decisiones en cada iteración especifique un punto de referencia que consta de valores deseados para cada objetivo y luego se calcula y se muestra una solución o soluciones óptimas de Pareto correspondientes. a él / ella para su análisis. En los métodos interactivos basados en la clasificación, se supone que el tomador de decisiones da preferencias en forma de clasificar los objetivos en la solución óptima de Pareto actual en diferentes clases que indican cómo se deben cambiar los valores de los objetivos para obtener una solución más preferida. Luego, la información de clasificación proporcionada se tiene en cuenta cuando se calculan nuevas soluciones óptimas de Pareto (más preferidas). En el método de compensación satisfactoria (STOM) [69] se utilizan tres clases: objetivos cuyos valores 1) deben mejorarse, 2) pueden relajarse y 3) son aceptables como tales. En el método NIMBUS, [70] [71] también se utilizan dos clases adicionales: objetivos cuyos valores 4) deben mejorarse hasta un límite dado y 5) pueden relajarse hasta un límite dado.
Métodos híbridos
Existen diferentes métodos híbridos , pero aquí consideramos hibridar MCDM ( toma de decisiones multicriterio ) y EMO (optimización evolutiva multiobjetivo). Un algoritmo híbrido en el contexto de la optimización multiobjetivo es una combinación de algoritmos / enfoques de estos dos campos (véase, por ejemplo, [63] ). Los algoritmos híbridos de EMO y MCDM se utilizan principalmente para superar las deficiencias utilizando fortalezas. Se han propuesto varios tipos de algoritmos híbridos en la literatura, por ejemplo, incorporar enfoques MCDM en algoritmos EMO como un operador de búsqueda local y llevar a un DM a la (s) solución (es) más preferidas, etc. Un operador de búsqueda local se utiliza principalmente para mejorar la tasa. de convergencia de algoritmos EMO.
Las raíces de la optimización híbrida multiobjetivo se remontan al primer seminario de Dagstuhl organizado en noviembre de 2004 (ver aquí ). Aquí algunas de las mejores mentes [ cita requerida ] en EMO (profesor Kalyanmoy Deb, profesor Jürgen Branke, etc.) y MCDM (profesora Kaisa Miettinen, profesor Ralph E. Steuer, etc.) se dieron cuenta del potencial de combinar ideas y enfoques de MCDM y EMO campos para preparar híbridos de ellos. Posteriormente, se organizaron muchos más seminarios Dagstuhl para fomentar la colaboración. Recientemente, la optimización híbrida multiobjetivo se ha convertido en un tema importante en varias conferencias internacionales en el área de EMO y MCDM (ver, por ejemplo, [72] [73] ).
Visualización del frente de Pareto
La visualización del frente de Pareto es una de las técnicas de preferencia a posteriori de optimización multiobjetivo. Las técnicas de preferencia a posteriori proporcionan una clase importante de técnicas de optimización multiobjetivo. [1] Por lo general, las técnicas de preferencia a posteriori incluyen cuatro pasos: (1) la computadora se aproxima al frente de Pareto, es decir, el conjunto óptimo de Pareto en el espacio objetivo; (2) el tomador de decisiones estudia la aproximación del frente de Pareto; (3) el tomador de decisiones identifica el punto preferido en el frente de Pareto; (4) la computadora proporciona la decisión óptima de Pareto, cuyo resultado coincide con el punto objetivo identificado por el tomador de decisiones. Desde el punto de vista del decisor, el segundo paso de las técnicas de preferencia a posteriori es el más complicado. Hay dos enfoques principales para informar al tomador de decisiones. En primer lugar, se pueden proporcionar varios puntos del frente de Pareto en forma de una lista (en [74] se dan interesantes discusiones y referencias ) o usando Heatmaps. [75]
Visualización en problemas biobjetivos: curva de compensación
En el caso de problemas biobjetivos, informar al tomador de decisiones sobre el frente de Pareto generalmente se lleva a cabo mediante su visualización: el frente de Pareto, a menudo denominado curva de compensación en este caso, se puede dibujar en el plano objetivo. La curva de compensación brinda información completa sobre los valores objetivos y las compensaciones objetivas, que informan cómo la mejora de un objetivo se relaciona con el deterioro del segundo mientras se mueve a lo largo de la curva de compensación. El tomador de decisiones tiene en cuenta esta información al especificar el punto objetivo óptimo de Pareto preferido. La idea de aproximar y visualizar el frente de Pareto fue introducida para problemas de decisión lineal biobjetivo por S.Gass y T.Saaty. [76] Esta idea fue desarrollada y aplicada en problemas ambientales por JL Cohon. [77] Se proporciona una revisión de los métodos para aproximar el frente de Pareto para varios problemas de decisión con un pequeño número de objetivos (principalmente, dos). [78]
Visualización en problemas de optimización multiobjetivo de alto orden
Hay dos ideas genéricas sobre cómo visualizar el frente de Pareto en problemas de decisión multiobjetivo de alto orden (problemas con más de dos objetivos). Uno de ellos, que es aplicable en el caso de un número relativamente pequeño de puntos objetivos que representan el frente de Pareto, se basa en utilizar las técnicas de visualización desarrolladas en estadística (varios diagramas, etc. - ver el subsección correspondiente a continuación). La segunda idea propone la visualización de secciones transversales (cortes) biobjetivo del frente de Pareto. Fue introducido por WS Meisel en 1973 [79] quien argumentó que tales porciones informan al tomador de decisiones sobre compensaciones objetivas. Las figuras que muestran una serie de cortes bi-objetivo del frente de Pareto para problemas de tres objetivos se conocen como mapas de decisión. Dan una imagen clara de las compensaciones entre tres criterios. Las desventajas de tal enfoque están relacionadas con dos hechos siguientes. Primero, los procedimientos computacionales para construir los cortes biobjetivos del frente de Pareto no son estables ya que el frente de Pareto generalmente no es estable. En segundo lugar, es aplicable en el caso de solo tres objetivos. En la década de 1980, la idea de WS Meisel se implementó en una forma diferente, en la forma de la técnica Interactive Decision Maps (IDM). [80] Más recientemente, N. Wesner [81] propuso utilizar una combinación de un diagrama de Venn y múltiples vistas de diagramas de dispersión del espacio objetivo para la exploración de la frontera de Pareto y la selección de soluciones óptimas.
Ver también
- Análisis de decisiones multicriterio
- Toma de decisiones con múltiples criterios
- Programación lineal multiobjetivo
- Optimización de diseño multidisciplinar
- Eficiencia de Pareto
- Programación de metas
- Programación concurrente
- Optimización de vectores
- Mapas de decisiones interactivos
- Función de utilidad
- Software de toma de decisiones
Referencias
- ↑ a b c d e f g h i Kaisa Miettinen (1999). Optimización multiobjetivo no lineal . Saltador. ISBN 978-0-7923-8278-2. Consultado el 29 de mayo de 2012 .
- ^ a b c d e f Ching-Lai Hwang; Abu Syed Md Masud (1979). Múltiples tomas de decisiones objetivas, métodos y aplicaciones: una encuesta de vanguardia . Springer-Verlag. ISBN 978-0-387-09111-2. Consultado el 29 de mayo de 2012 .
- ^ Hassanzadeh, Hamidreza; Rouhani, Modjtaba (2010). "Un algoritmo de búsqueda gravitacional multiobjetivo". En Inteligencia Computacional, Sistemas y Redes de Comunicación (CICSyN) : 7–12.
- ^ Shirazi, Ali; Najafi, Behzad; Aminyavari, Mehdi; Rinaldi, Fabio; Taylor, Robert A. (1 de mayo de 2014). "Análisis térmico-económico-ambiental y optimización multiobjetivo de un sistema de almacenamiento de energía térmica de hielo para enfriamiento del aire de entrada del ciclo de turbinas de gas". Energía . 69 : 212-226. doi : 10.1016 / j.energy.2014.02.071 .
- ^ Najafi, Behzad; Shirazi, Ali; Aminyavari, Mehdi; Rinaldi, Fabio; Taylor, Robert A. (3 de febrero de 2014). "Análisis exergéticos, económicos y medioambientales y optimización multiobjetivo de un ciclo híbrido SOFC-turbina de gas acoplado a un sistema de desalación MSF". Desalación . 334 (1): 46–59. doi : 10.1016 / j.desal.2013.11.039 .
- ^ Rafiei, SMR; Amirahmadi, A .; Griva, G. (2009). "Rechazo del caos y respuesta dinámica óptima para el convertidor boost utilizando el enfoque de optimización multiobjetivo SPEA". 2009 35ª Conferencia Anual de IEEE Industrial Electronics . págs. 3315–3322. doi : 10.1109 / IECON.2009.5415056 . ISBN 978-1-4244-4648-3. S2CID 2539380 .
- ^ Ropponen, A .; Ritala, R .; Pistikopoulos, EN (2011). "Problemas de optimización del sistema de gestión de roturas en la fabricación de papel". Computación e Ingeniería Química . 35 (11): 2510. doi : 10.1016 / j.compchemeng.2010.12.012 .
- ^ Pllana, Sabri; Memeti, Suejb; Kolodziej, Joanna (2019). "Personalización de recocido simulado de Pareto para la optimización multiobjetivo del diseño del gabinete de control". arXiv : 1906.04825 [ cs.OH ].
- ^ Nguyen, Hoang Anh; van Iperen, Zane; Raghunath, Sreekanth; Abramson, David; Kipouros, Timoleon; Somasekharan, Sandeep (2017). "Optimización multiobjetivo en el flujo de trabajo científico" . Procedia Informática . 108 : 1443-1452. doi : 10.1016 / j.procs.2017.05.213 . hdl : 1826/12173 .
- ^ Ganesan, T .; Elamvazuthi, I .; Vasant, P. (1 de julio de 2015). "Optimización del diseño multiobjetivo de un oscilador controlado por voltaje nano-CMOS mediante evolución teórico-diferencial del juego". Soft Computing aplicado . 32 : 293–299. doi : 10.1016 / j.asoc.2015.03.016 .
- ^ Ganesan, T .; Elamvazuthi, I .; Shaari, Ku Zilati Ku; Vasant, P. (1 de enero de 2013). Zelinka, Ivan; Chen, Guanrong; Rössler, Otto E .; Snasel, Vaclav; Abraham, Ajith (eds.). Programación analítica impulsada por hipervolumen para la optimización del sistema de riego con energía solar . Avances en Computación y Sistemas Inteligentes. Springer International Publishing. págs. 147-154. doi : 10.1007 / 978-3-319-00542-3_15 . ISBN 978-3-319-00541-6.
- ^ Ganesan, T .; Elamvazuthi, I .; Shaari, Ku Zilati Ku; Vasant, P. (1 de enero de 2013). Gavrilova, Marina L .; Tan, CJ Kenneth; Abraham, Ajith (eds.). Optimización multiobjetivo del sistema de moldes de arena verde mediante la evolución diferencial caótica . Apuntes de conferencias en Ciencias de la Computación. Springer Berlín Heidelberg. págs. 145-163. doi : 10.1007 / 978-3-642-45318-2_6 . ISBN 978-3-642-45317-5.
- ^ Surekha, B .; Kaushik, Lalith K .; Panduy, Abhishek K .; Vundavilli, Pandu R .; Parappagoudar, Mahesh B. (7 de mayo de 2011). "Optimización multiobjetivo del sistema de moldes de arena verde mediante algoritmos evolutivos". Revista internacional de tecnología de fabricación avanzada . 58 (1–4): 9–17. doi : 10.1007 / s00170-011-3365-8 . ISSN 0268-3768 . S2CID 110315544 .
- ^ "Optimización multiobjetivo en el diseño de motores mediante algoritmos genéticos para mejorar el rendimiento del motor | ESTECO" . www.esteco.com . Consultado el 1 de diciembre de 2015 .
- ^ Courteille, E .; Mortier, F .; Leotoing, L .; Ragneau, E. (16 de mayo de 2005). "Optimización de diseño robusto multiobjetivo de un sistema de montaje del motor" . Serie de documentos técnicos SAE (PDF) . 1 . Warrendale, Pensilvania. doi : 10.4271 / 2005-01-2412 .
- ^ Domingo Pérez, Francisco; Lázaro-Galilea, José Luis; Wieser, Andreas; Martín-Gorostiza, Ernesto; Salido-Monzu, David; Llana, Álvaro de la (abril de 2016). "Determinación de la ubicación del sensor para el posicionamiento de diferencia de rango utilizando optimización evolutiva de múltiples objetivos". Sistemas expertos con aplicaciones . 47 : 95-105. doi : 10.1016 / j.eswa.2015.11.008 .
- ^ Bemporad, Alberto; Muñoz de la Peña, David (01/12/2009). "Control predictivo del modelo multiobjetivo". Automatica . 45 (12): 2823–2830. doi : 10.1016 / j.automatica.2009.09.032 .
- ^ Panda, Sidhartha (1 de junio de 2009). "Algoritmo evolutivo multiobjetivo para el diseño de controladores basados en SSSC". Investigación de sistemas de energía eléctrica . 79 (6): 937–944. doi : 10.1016 / j.epsr.2008.12.004 .
- ^ Fiandaca, Giovanna; Fraga, Eric S .; Brandani, Stefano (2009). "Un algoritmo genético multiobjetivo para el diseño de adsorción por oscilación de presión" . Optimización de ingeniería . 41 (9): 833–854. doi : 10.1080 / 03052150903074189 . S2CID 120201436 . Consultado el 1 de diciembre de 2015 .
- ^ Sendín, José Oscar H .; Alonso, Antonio A .; Banga, Julio R. (1 de junio de 2010). "Optimización multiobjetivo eficiente y robusta del procesamiento de alimentos: un enfoque novedoso con aplicación a la esterilización térmica". Revista de Ingeniería de Alimentos . 98 (3): 317–324. doi : 10.1016 / j.jfoodeng.2010.01.007 . hdl : 10261/48082 .
- ^ Ganesan, T .; Elamvazuthi, I .; Ku Shaari, Ku Zilati; Vasant, P. (1 de marzo de 2013). "Inteligencia de enjambre y algoritmo de búsqueda gravitacional para la optimización multiobjetivo de la producción de gas de síntesis". Energía aplicada . 103 : 368–374. doi : 10.1016 / j.apenergy.2012.09.059 .
- ^ Ganesan, Timothy; Elamvazuthi, Irraivan; Vasant, Pandian; Shaari, Ku Zilati Ku (23 de marzo de 2015). Nguyen, Ngoc Thanh; Trawiński, Bogdan; Kosala, Raymond (eds.). Optimización multiobjetivo del proceso de extracción de compuestos bioactivos mediante estrategias evolutivas . Apuntes de conferencias en Ciencias de la Computación. Springer International Publishing. págs. 13-21. doi : 10.1007 / 978-3-319-15705-4_2 . ISBN 978-3-319-15704-7.
- ^ Mehdi, Khosrow-Pour (30 de junio de 2014). Avances contemporáneos en el desarrollo de tecnologías de la información en entornos dinámicos . IGI Global. ISBN 9781466662537.
- ^ Abakarov. A., Sushkov. Yu., Mascheroni. RH (2012). "Enfoque multicriterio de optimización y toma de decisiones para la mejora de los procesos de ingeniería alimentaria" (PDF) . Revista internacional de estudios alimentarios . 2 : 1-21. doi : 10.7455 / ijfs / 2.1.2013.a1 .CS1 maint: varios nombres: lista de autores ( enlace )
- ^ Abakarov, A, Sushkov, Y, Almonacid, S y Simpson, R. (2009). "Enfoque de optimización multiobjetivo: procesamiento térmico de alimentos". Revista de ciencia de los alimentos . 74 (9): E471 – E487. doi : 10.1111 / j.1750-3841.2009.01348.x . hdl : 10533/134983 . PMID 20492109 .CS1 maint: varios nombres: lista de autores ( enlace )
- ^ Pearce, Margaret; Mutlu, sentina; Shah, Julie; Radwin, Robert (2018). "Optimización de Makespan y ergonomía en la integración de robots colaborativos en procesos de fabricación" . Transacciones IEEE sobre ciencia e ingeniería de automatización . 15 (4): 1772-1784. doi : 10.1109 / tase.2018.2789820 . ISSN 1545-5955 . S2CID 52927442 .
- ^ a b E. Björnson y E. Jorswieck, Asignación óptima de recursos en sistemas multicelulares coordinados , fundamentos y tendencias en la teoría de la información y las comunicaciones, vol. 9, no. 2-3, págs. 113-381, 2013.
- ^ Z.-Q. Luo y S. Zhang, Gestión dinámica del espectro: complejidad y dualidad , IEEE Journal of Selected Topics in Signal Processing, vol. 2, no. 1, págs. 57–73, 2008.
- ^ Merlín, A .; Atrás, H. Búsqueda de una configuración de árbol de expansión operativo con pérdida mínima en un sistema de distribución de energía urbana. En Actas de la Quinta Conferencia de Computadoras de Sistemas de Energía (PSCC) de 1975, Cambridge, Reino Unido, 1 a 5 de septiembre de 1975; págs. 1-18.
- ^ Mendoza, JE; Lopez, ME; Coello, CA; Lopez, EA Algoritmo de reconfiguración multiobjetivo microgenético considerando pérdidas de potencia e índices de confiabilidad para redes de distribución de media tensión . IET Gener. Transm. Distrib. 2009, 3, 825–840.
- ^ Bernardon, DP; García, VJ; Ferreira, ASQ; Canha, LN Reconfiguración de la red de distribución multicriterio considerando análisis de subtransmisión . IEEE Trans. Power Deliv. 2010, 25, 2684–2691.
- ↑ Amanulla, B .; Chakrabarti, S .; Singh, SN Reconfiguración de sistemas de distribución de energía considerando confiabilidad y pérdida de energía . IEEE Trans. Power Deliv. 2012, 27, 918–926.
- ↑ Tomoiagă, B .; Chindriş, M .; Sumper, A .; Sudria-Andreu, A .; Villafafila-Robles, R. Reconfiguración óptima de Pareto de sistemas de distribución de energía utilizando un algoritmo genético basado en NSGA-II. Energies 2013, 6, 1439-1455.
- ^ Galceran, Enric; Carreras, Marc (2013). "Una encuesta sobre la planificación de rutas de cobertura para robótica". Robótica y sistemas autónomos . 61 (12): 1258-1276. CiteSeerX 10.1.1.716.2556 . doi : 10.1016 / j.robot.2013.09.004 . ISSN 0921-8890 .
- ^ Ellefsen, KO; Lepikson, HA; Albiez, JC (2019). "Planificación de ruta de cobertura multiobjetivo: permitir la inspección automatizada de estructuras complejas del mundo real" . Soft Computing aplicado . 61 : 264-282. arXiv : 1901.07272 . Código bibliográfico : 2019arXiv190107272O . doi : 10.1016 / j.asoc.2017.07.051 . hdl : 10852/58883 . ISSN 1568-4946 . S2CID 6183350 .
- ^ Matthias Ehrgott (1 de junio de 2005). Optimización multicriterio . Birkhäuser. ISBN 978-3-540-21398-7. Consultado el 29 de mayo de 2012 .
- ^ Carlos A. Coello Coello; Gary B. Lamont; David A. Van Veldhuisen (2007). Algoritmos evolutivos para la resolución de problemas multiobjetivo . Saltador. ISBN 978-0-387-36797-2. Consultado el 1 de noviembre de 2012 .
- ^ a b Jürgen Branke; Kalyanmoy Deb; Kaisa Miettinen; Roman Slowinski (21 de noviembre de 2008). Optimización multiobjetivo: enfoques interactivos y evolutivos . Saltador. ISBN 978-3-540-88907-6. Consultado el 1 de noviembre de 2012 .
- ^ Wierzbicki, AP (1982). "Una base matemática para la toma de decisiones satisfactoria" . Modelado matemático . 3 (5): 391–405. doi : 10.1016 / 0270-0255 (82) 90038-0 .
- ^ Sen, Chandra, (1983) Un nuevo enfoque para la planificación del desarrollo rural multiobjetivo, The Indian Economic Journal, Vol. 30, (4), 91-96.
- ^ Zeleny, M. (1973), "Programación de compromiso", en Cochrane, JL; Zeleny, M. (eds.), Toma de decisiones de criterios múltiples , University of South Carolina Press, Columbia, págs. 262–301
- ^ a b Das, I .; Dennis, JE (1998). "Intersección de límite normal: un nuevo método para generar la superficie de Pareto en problemas de optimización multicriterio no lineal". Revista SIAM de Optimización . 8 (3): 631. doi : 10.1137 / S1052623496307510 . hdl : 1911/101880 .
- ^ a b S. Motta, Renato; Afonso, Silvana MB; Lyra, Paulo RM (8 de enero de 2012). "Un método NBI y NC modificado para la solución de problemas de optimización N-multiobjetivo". Optimización estructural y multidisciplinar . 46 (2): 239-259. doi : 10.1007 / s00158-011-0729-5 . S2CID 121122414 .
- ^ a b Messac, A .; Ismail-Yahaya, A .; Mattson, CA (2003). "El método de restricción normal normalizado para generar la frontera de Pareto". Optimización estructural y multidisciplinar . 25 (2): 86–98. doi : 10.1007 / s00158-002-0276-1 . S2CID 58945431 .
- ^ a b Messac, A .; Mattson, CA (2004). "Método de restricción normal con garantía de representación uniforme de la frontera de Pareto completa". Revista AIAA . 42 (10): 2101–2111. Código bibliográfico : 2004AIAAJ..42.2101M . doi : 10,2514 / 1,8977 .
- ^ a b Mueller-Gritschneder, Daniel; Graeb, Helmut; Schlichtmann, Ulf (2009). "Un enfoque sucesivo para calcular el frente de Pareto acotado de problemas prácticos de optimización multiobjetivo". Revista SIAM de Optimización . 20 (2): 915–934. doi : 10.1137 / 080729013 .
- ^ a b Erfani, Tohid; Utyuzhnikov, Sergei V. (2011). "Dominio de búsqueda dirigida: un método para la generación uniforme de la frontera de Pareto en la optimización multiobjetivo" (PDF) . Revista de optimización de la ingeniería . 43 (5): 1–18. doi : 10.1080 / 0305215X.2010.497185 . S2CID 33631133 . Consultado el 17 de octubre de 2011 .
- ^ a b Deb, K .; Pratap, A .; Agarwal, S .; Meyarivan, T. (2002). "Un algoritmo genético multiobjetivo rápido y elitista: NSGA-II". Transacciones IEEE sobre Computación Evolutiva . 6 (2): 182. CiteSeerX 10.1.1.17.7771 . doi : 10.1109 / 4235.996017 .
- ^ Zitzler, E., Laumanns, M., Thiele, L .: SPEA2: Mejora del rendimiento del algoritmo evolutivo de Pareto de fuerza, Informe técnico 103, Laboratorio de redes de comunicación e ingeniería informática (TIK), Instituto Federal Suizo de Tecnología (ETH) Zúrich (2001) [1]
- ^ Suman, B .; Kumar, P. (2006). "Una encuesta de recocido simulado como herramienta para la optimización de un solo y multiobjetivo". Revista de la Sociedad de Investigación Operativa . 57 (10): 1143-1160. doi : 10.1057 / palgrave.jors.2602068 . S2CID 18916703 .
- ↑ a b Danilo Vasconcellos Vargas, Junichi Murata, Hirotaka Takano, Alexandre Claudio Botazzo Delbem (2015), " Marco general de subpoblaciones y domesticación del conflicto dentro de las poblaciones ", Computación evolutiva 23 (1), 1-36.
- ^ Lehman, Joel y Kenneth O. Stanley. "Abandonar los objetivos: Evolución a través de la búsqueda de la novedad únicamente". Computación evolutiva 19.2 (2011): 189-223.
- ^ Mavrotas, George (2009). "Implementación efectiva del método de restricción ε en problemas de programación matemática multiobjetivo". Matemática Aplicada y Computación . 213 (2): 455–465. doi : 10.1016 / j.amc.2009.03.037 . ISSN 0096-3003 .
- ^ Carvalho, Iago A .; Ribeiro, Marco A. (2020). "Un enfoque exacto para el problema del árbol de calibración de errores acotados de costo mínimo". Anales de investigación operativa . 287 (1): 109-126. doi : 10.1007 / s10479-019-03443-4 . ISSN 0254-5330 . S2CID 209959109 .
- ^ Mavrotas, G .; Diakoulaki, D. (2005). "Ramificación y límite de criterios múltiples: un algoritmo de maximización de vectores para la programación lineal mixta de objetivos múltiples 0-1". Matemática Aplicada y Computación . 171 (1): 53–71. doi : 10.1016 / j.amc.2005.01.038 . ISSN 0096-3003 .
- ^ Vincent, Thomas; Seipp, Florian; Ruzika, Stefan; Przybylski, Anthony; Gandibleux, Xavier (2013). "Ramificación de objetivos múltiples y cota para programación lineal mixta 0-1: Correcciones y mejoras para el caso biobjetivo". Investigación de Computación y Operaciones . 40 (1): 498–509. doi : 10.1016 / j.cor.2012.08.003 . ISSN 0305-0548 .
- ^ Przybylski, Anthony; Gandibleux, Xavier (2017). "Ramificación y límite multiobjetivo". Revista europea de investigación operativa . 260 (3): 856–872. doi : 10.1016 / j.ejor.2017.01.032 . ISSN 0377-2217 .
- ^ Craft, D .; Halabi, T .; Shih, H .; Bortfeld, T. (2006). "Aproximación de superficies convexas de Pareto en la planificación de radioterapia multiobjetivo". Física Médica . 33 (9): 3399–3407. Código bibliográfico : 2006MedPh..33.3399C . doi : 10.1118 / 1.2335486 . PMID 17022236 .
- ^ Beume, N .; Naujoks, B .; Emmerich, M. (2007). "SMS-EMOA: Selección multiobjetivo basada en hipervolumen dominado". Revista europea de investigación operativa . 181 (3): 1653. doi : 10.1016 / j.ejor.2006.08.008 .
- ^ Bringmann, Karl; Friedrich, Tobias; Neumann, Frank; Wagner, Markus (2011). "Optimización multiobjetivo evolutiva guiada por aproximación". IJCAI . doi : 10.5591 / 978-1-57735-516-8 / IJCAI11-204 .
- ^ Battiti, Roberto; Mauro Brunato; Franco Mascia (2008). Búsqueda reactiva y optimización inteligente . Springer Verlag . ISBN 978-0-387-09623-0.
- ^ Battiti, Roberto; Mauro Brunato (2011). Inteligencia empresarial reactiva. De los datos a los modelos a la percepción . Trento, Italia: Reactive Search Srl. ISBN 978-88-905795-0-9.
- ^ a b c d Miettinen, K .; Ruiz, F .; Wierzbicki, AP (2008). "Introducción a la optimización multiobjetivo: enfoques interactivos". Optimización multiobjetivo . Apuntes de conferencias en Ciencias de la Computación. 5252 . pag. 27. CiteSeerX 10.1.1.475.465 . doi : 10.1007 / 978-3-540-88908-3_2 . ISBN 978-3-540-88907-6.
- ^ Luque, M .; Ruiz, F .; Miettinen, K. (2008). "Formulación global para la optimización interactiva multiobjetivo" . O Espectro . 33 : 27–48. doi : 10.1007 / s00291-008-0154-3 . S2CID 15050545 .
- ^ Ruiz, F .; Luque, M .; Miettinen, K. (2011). "Mejora de la eficiencia computacional en una formulación global (GLIDE) para la optimización interactiva multiobjetivo" . Anales de investigación operativa . 197 : 47–70. doi : 10.1007 / s10479-010-0831-x . S2CID 14947919 .
- ^ Zionts, S .; Wallenius, J. (1976). "Un método de programación interactiva para resolver el problema de criterios múltiples". Ciencias de la gestión . 22 (6): 652. doi : 10.1287 / mnsc.22.6.652 .
- ^ Wierzbicki, AP (1986). "Sobre la integridad y constructividad de las caracterizaciones paramétricas para problemas de optimización de vectores". O Spektrum . 8 (2): 73–78. doi : 10.1007 / BF01719738 . S2CID 121771992 .
- ^ Andrzej P. Wierzbicki; Marek Makowski; Jaap Wessels (31 de mayo de 2000). Metodología de soporte de decisiones basada en modelos con aplicaciones ambientales . Saltador. ISBN 978-0-7923-6327-9. Consultado el 17 de septiembre de 2012 .
- ^ Nakayama, H .; Sawaragi, Y. (1984), "Método de compensación satisfactorio para la programación multiobjetivo", en Grauer, M .; Wierzbicki, AP (eds.), Análisis interactivo de decisiones , Springer-Verlag Berlin, Heidelberg, págs. 113-122
- ^ Miettinen, K .; Mäkelä, MM (1995). "Método basado en paquetes interactivos para la optimización multiobjetiva no diferenciable: Nimbus§". Optimización . 34 (3): 231. doi : 10.1080 / 02331939508844109 .
- ^ Miettinen, K .; Mäkelä, MM (2006). "Enfoque sincrónico en optimización interactiva multiobjetivo". Revista europea de investigación operativa . 170 (3): 909. doi : 10.1016 / j.ejor.2004.07.052 .
- ^ Sindhya, K .; Ruiz, AB; Miettinen, K. (2011). "Un algoritmo evolutivo interactivo basado en preferencias para la optimización multiobjetivo: PIE". Optimización evolutiva de criterios múltiples . Apuntes de conferencias en Ciencias de la Computación. 6576 . pag. 212. doi : 10.1007 / 978-3-642-19893-9_15 . ISBN 978-3-642-19892-2.
- ^ Sindhya, K .; Deb, K .; Miettinen, K. (2008). "Un enfoque de optimización multiobjetivo evolutivo basado en búsquedas locales para una convergencia rápida y precisa". Paralelo Resolución de problemas de la Naturaleza - PPSN X . Apuntes de conferencias en Ciencias de la Computación. 5199 . pag. 815. doi : 10.1007 / 978-3-540-87700-4_81 . ISBN 978-3-540-87699-1.
- ^ Benson, Harold P .; Sayin, Serpil (1997). "Hacia la búsqueda de representaciones globales del conjunto eficiente en programación matemática de objetivos múltiples" (PDF) . Logística de investigación naval . 44 (1): 47–67. doi : 10.1002 / (SICI) 1520-6750 (199702) 44: 1 <47 :: AID-NAV3> 3.0.CO; 2-M . hdl : 11693/25666 . ISSN 0894-069X .
- ^ Pryke, Andy; Sanaz Mostaghim; Alireza Nazemi (2007). Visualización de mapas de calor de algoritmos multiobjetivos basados en la población . Optimización evolutiva de criterios múltiples . Apuntes de conferencias en Ciencias de la Computación. 4403 . págs. 361–375. doi : 10.1007 / 978-3-540-70928-2_29 . ISBN 978-3-540-70927-5.
- ^ Gass, Saul; Saaty, Thomas (1955). "El algoritmo computacional para la función objetivo paramétrica". Trimestral de Logística de Investigación Naval . 2 (1–2): 39–45. doi : 10.1002 / nav.3800020106 . ISSN 0028-1441 .
- ^ Jared L. Cohon (13 de enero de 2004). Programación y Planificación Multiobjetivo . Publicaciones de Courier Dover. ISBN 978-0-486-43263-2. Consultado el 29 de mayo de 2012 .
- ^ Ruzika, S .; Wiecek, MM (2005). "Métodos de aproximación en programación multiobjetivo". Revista de teoría y aplicaciones de la optimización . 126 (3): 473–501. doi : 10.1007 / s10957-005-5494-4 . ISSN 0022-3239 . S2CID 122221156 .
- ^ Meisel, WL (1973), JL Cochrane; M. Zeleny (eds.), "Decisión de compensación en la toma de decisiones con varios criterios", Toma de decisiones con varios criterios : 461–476
- ^ AV Lotov; VA Bushenkov; GK Kamenev (29 de febrero de 2004). Mapas de decisión interactivos: aproximación y visualización de la frontera de Pareto . Saltador. ISBN 978-1-4020-7631-2. Consultado el 29 de mayo de 2012 .
- ^ Wesner, N. (2017), "Optimización multiobjetivo a través de la visualización", Economics Bulletin , 37 (2): 1226–1233
enlaces externos
- Sociedad Internacional para la Toma de Decisiones de Criterios Múltiples
- Optimización evolutiva multiobjetivo , el proyecto de demostraciones de Wolfram
- Un tutorial sobre optimización multiobjetivo y algoritmos genéticos , socio profesional de Scilab
- Tomoiagă, Bogdan; Chindriş, Mircea; Sumper, Andreas; Sudria-Andreu, Antoni; Villafila-Robles, Roberto. 2013. "Reconfiguración óptima de Pareto de sistemas de distribución de energía usando un algoritmo genético basado en NSGA-II". Energías 6, no. 3: 1439-1455.
- Lista de referencias sobre optimización evolutiva multiobjetivo